本文提出了一种基于自适应补丁退出（APE）的可伸缩方法，以提高深度学习模型的加速性能。通过训练回归器预测增量容量，并在低于阈值时退出特定层的补丁，从而优化网络训练。实验结果表明，该方法在不同主干和数据集上表现优越，有效避免了性能饱和问题。

本文研究了深度ReLU网络中神经切向核（NTK）的特征值分布及其对网络训练的影响，提出了误差上限和优化算法，探讨了不同宽度下的学习动态及鲁棒性，强调了NTK在实际应用中的重要变化。

本文提出了一种名为AID-DTI的新方法，通过正则化器在网络训练期间捕获细节和抑制噪声，实现快速准确的扩散张量成像。实验证明该方法优于三种最先进的方法，并能够估计出具有细粒度细节的扩散张量成像参数图。

本文介绍了一种使用相似性原型来支持网络训练的方法，通过引入统计策略和类别级别的语义表示，探索场景内不同类别之间的关联。通过软化梯度标签和批级对比损失，提高了现有网络的性能，而不增加计算负担。经过全面评估，结果表明相似性原型的有效性。